脑电解码不再受电极布局束缚：hTSMNet 只看电极坐标，跨数据集校准后每个数据集都领先
核心概要
不同实验室的脑电帽电极数量与排布不同，记录甚至不共享同一个观测空间，跨数据集解码因此长期受限。hTSMNet 在解码骨干前加了一个由电极坐标生成的线性映射，把任意电极布局投影到 15 个固定头皮锚点，映射不含受试者专属参数，未见过的受试者与数据集可直接零样本对齐。在三个运动想象数据集、172 名受试者的留一数据集基准上，它零样本与最强对照持平，加入少量只重训末层分类器的校准试次后在每个数据集上都取得最高准确率。
深度剖析
脑电解码器现在可以接收任意电极布局的记录，并把它们放进同一个共享坐标空间，而不必先挑选公共电极子集或插值到固定模板。 此前的做法要么在训练前就把所有记录强行改成统一输入形状，要么把每个受试者当作同一通道空间内的域来做统计对齐，都没有处理电极布局本身不兼容的问题。 在留一数据集协议下，三个运动想象数据集共 172 名受试者、八个对照方法参与比较，hTSMNet 在严格零样本时与最强对照持平，三折平均为 67.3%。
少量带标签的校准试次就能把这个共享空间变成每个数据集上的最高准确率，而且优势在单个受试者层面同样成立。 零样本时它并未在每个数据集上领先，例如在 PhysionetMotorImagery 上低于通道匹配的 NeuroGPT（68.5% 对 71.4%）。 每类 20 个校准试次时，hTSMNet 在三个数据集上分别为 80.7%、70.1% 和 76.3%，比每个折上最强的 Deformer 分别高 3.0、4.1 和 2.8 个百分点；171 名受试者的配对检验对全部八个对照均显著（p < 10⁻³）。
共享空间之所以有效，是因为它让左右手的判别方向在不同数据集上指向同一侧，一条在源数据上学到的线性规则在留出数据集上已经朝向正确。 不做学习、只按几何投影再取协方差时，三个数据集的类别轴几乎不一致，一致性余弦只有 0.20。 hTSMNet 的跨数据集类别方向一致性为 0.71±0.02，约为无学习基线的 3.4 倍，也高于 EA–TSLR 的 0.17 和三个深度对照的 0.58–0.64。
同一个冻结的运动想象模型还能迁移到其他范式，但只在振荡信号上有效：心理负荷与稳态视觉诱发电位可以解码，刺激锁时的 ERP 仍停在随机水平。 这一分界与架构一致，协方差池化读取的是频带功率，基本不保留 ERP 所依赖的锁时波形。 只重训线性分类器时，心理负荷在每类 50 个试次达到 84.3%，SSVEP 在每类 20 个试次达到 68.0% 和 72.2%，而两个 P300 数据集从零样本到每类 50 个试次都停留在 49.1%–50.9%。
启示与展望
已展示的范围是三个运动想象数据集的留一数据集左右手判别，以及从冻结的运动想象模型向心理负荷、SSVEP 和 P300 五个目标数据集的迁移；所有数据经同一套 MOABB 预处理，受试者保留各自原生电极布局。作者提出的下一步包括在共享锚点机制旁增加保留相位的诱发模板分支，以及用完全在目标范式上训练的模型作为对照。
类别方向一致性的分析是相关性的，作者指出尚未做随机化传感器到锚点分配的消融来直接检验锚点空间的作用。锚点数超过某数据集通道数时对齐协方差会秩亏，8 通道目标正落在这一区间。所有真实数据结果都是二分类子任务，预处理只覆盖一套固定的带通、时间窗与参考方案。